《Polymers》:A Heterogeneous Multi-Output Stacked Learning Framework for Mechanical Property Prediction of FDM-Printed ASA: Experimental Validation
编辑推荐:
准确预测熔融沉积建模(fused deposition modelling, FDM)制造的聚合物部件的力学性能仍然具有挑战性,原因是工艺参数与材料性能之间存在复杂的非线性关系,从而限制了可靠工艺规划的制定以及聚合物增材制造的更广泛工业应用。本研究开发并实验验
准确预测熔融沉积建模(fused deposition modelling, FDM)制造的聚合物部件的力学性能仍然具有挑战性,原因是工艺参数与材料性能之间存在复杂的非线性关系,从而限制了可靠工艺规划的制定以及聚合物增材制造的更广泛工业应用。本研究开发并实验验证了一种异构多输出堆叠集成学习框架,用于同时预测丙烯腈-苯乙烯-丙烯酸酯(acrylonitrile styrene acrylate, ASA)的拉伸强度、弯曲强度、压缩强度、洛氏硬度和夏比冲击强度。ASA是一种高性能工程热塑性塑料,具有优异的耐候性和抗紫外线性,但在数据驱动的FDM研究中相对较少被探索。采用确定筛选设计(Definitive Screening Design, DSD)研究了八个关键工艺参数:挤出温度(extrusion temperature, ET)、热床温度(bed temperature, BT)、填充密度(infill density, ID)、层高(layer height, LH)、打印速度(print speed, PS)、光栅角度(raster angle, RA)、构建方向(build orientation, BO)和冷却风扇转速(cooling fan speed, CFS)。系统评估了多种监督学习算法,并将表现最优的互补模型集成到异构堆叠集成中,实现同时多输出预测。该框架实现了总体R2为0.9943、总体均方根误差(Root Mean Square Error, RMSE)为0.9758,各单独预测模型的R2值介于0.9898至0.9967之间。除了提高预测精度外,所提出的AI辅助框架还为力学性能预测提供了数据驱动基础,并建立了代理建模框架,可随后与专门的优化或决策方法相结合。
**《Polymers》论文解读:基于异构多输出堆叠学习的FDM打印ASA力学性能预测框架**
**一、研究背景与动机**
熔融沉积建模(Fused Deposition Modelling, FDM)已从快速原型工具发展为可制造功能性聚合物部件的成熟增材制造技术,广泛应用于航空航天、汽车、生物医学、建筑和消费领域。然而,FDM打印部件的力学性能预测仍面临显著挑战。工艺参数之间通过高度非线性的过程-结构-性能关系相互作用,控制着层间结合、孔隙率、尺寸精度、残余应力和材料各向异性,导致即使在标称相近的加工条件下,拉伸、弯曲、压缩、硬度和冲击性能也会出现显著差异。传统统计分析和基于实验设计(Design of Experiments, DOE)的方法依赖预定义的数学关系,难以表征FDM系统高度非线性、多维且强耦合的特点。监督机器学习(Supervised Machine Learning, ML)能够直接从实验数据中学习输入-输出关系,无需对底层物理机制作明确假设,已成为智能制造的关键技术。
尽管已有研究开始将机器学习应用于FDM性能预测,但多数工作集中在PLA、ABS、PETG、PEEK和PC-ABS等传统聚合物,而ASA(acrylonitrile styrene acrylate)尽管具有优异的耐候性、紫外稳定性、热稳定性和长期耐久性,在数据驱动FDM研究中却相对较少。此外,现有集成学习和多目标预测研究大多依赖单一预测模型或同质集成架构,限制了不同学习算法互补优势的发挥。因此,建立一个统一且经实验验证的异构堆叠学习框架,用于同时预测FDM制造的ASA部件多种力学性能,仍属空白。本研究正是针对这一缺口展开。
**二、研究内容概述**
研究人员基于确定筛选设计(Definitive Screening Design, DSD)建立了包含八个FDM工艺参数和五种力学响应的实验数据集,系统评估了多种监督学习算法,遴选出表现最优且机制互补的SVR和支持向量回归(Support Vector Regression)与人工神经网络(Artificial Neural Network, ANN)作为基学习器,通过岭回归(Ridge Regression, RR)元学习器进行堆叠集成,构建了异构多输出堆叠学习框架,并采用留一交叉验证(Leave-One-Out Cross-Validation, LOOCV)对框架性能进行了严格的实验验证。
**三、关键技术与方法**
研究采用的主要技术方法包括:其一,基于DSD的高效实验设计,涵盖17组独特工艺条件,每组制备三个重复试样,共51个实验观测;其二,受控扰动数据增强策略,通过零均值高斯分布产生标准差为各变量实验范围2%的随机扰动生成49个合成样本,使数据集扩充至100个观测,且数据增强在每折LOOCV训练集内部独立实施以避免信息泄漏;其三,五种监督学习算法的系统基准测试,即随机森林(Random Forest, RF)、SVR、ANN、K近邻(K-Nearest Neighbours, KNN)和极限梯度提升(eXtreme Gradient Boosting, XGBoost),以R
2和RMSE为评价指标;其四,异构堆叠集成架构,以SVR和ANN为基学习器,RR为元学习器;其五,LOOCV验证策略及R
2与RMSE双重评价指标。实验材料为商业ASA线材(ERYONE, 深圳),打印设备为QIDI FDM打印机(绍兴),喷嘴直径0.4 mm。
**四、主要研究结果**
**3.1 候选机器学习模型的基准测试**:五种算法在同一LOOCV协议下比较,SVR获得最高平均R
2(0.9939)和最低RMSE(1.0159),ANN以R
2=0.9927紧随其后。RF和KNN表现略低,XGBoost性能最低。基于性能与学习机制互补性,SVR和ANN被选定为基学习器。
**3.2 机器学习模型的比较性能评估**
*3.2.1 比较预测分析*:提出异构堆叠框架在各力学性能上都达到最高R
2,总体R
2=0.9943,总体RMSE=0.9758,优于独立SVR(R
2=0.9939, RMSE=1.0159)和独立ANN(R
2=0.9927, RMSE=1.0983)。改进幅度虽小但具有一致性,说明堆叠框架成功利用了两个基学习器互补预测信息。
*3.2.2 数据增强的影响*:通过原始51观测与增强100观测数据集的消融比较,三层模型性能均显著提升。SVR的R
2从0.8977升至0.9939,RMSE降低70.01%;ANN的R
2从0.7958升至0.9927,RMSE降低79.81%;堆叠框架的R
2从0.8244升至0.9943,RMSE降低80.05%,表明受控增强策略有效改善了模型预测能力。
*3.2.3 预测一致性与误差分析*:残差分布显示三层模型的残差均近似高斯分布且集中于零附近。堆叠框架残差分布最窄(σ=1.0667),低于SVR(σ=1.0721)和ANN(σ=1.1343)。压缩强度(compressive strength, CS)是两个独立模型中预测散度最大的响应,而堆叠框架对CS、洛氏硬度(Rockwell hardness, RH)和夏比冲击强度(Charpy impact strength, CIS)的改善最为明显。属性特定残差标准差表明,堆叠框架五种力学性能的残差标准差均最低,其中RH为2.7161 HRM,CIS为4.4206 kJ/m
2,CS为2.4367 MPa,弯曲强度(flexural strength, FS)为3.7996 MPa,拉伸强度(tensile strength, TS)为1.3628 MPa。
**五、讨论与结论**
研究讨论指出,异构堆叠集成能够利用不同学习算法捕捉非线性关系的不同特征,尤其当某一力学性能难以由单一算法精确逼近时,异构堆叠能显著增强整体多输出预测的稳健性。研究结论认为,本文的主要贡献在于建立了一个实验验证的异构多输出预测框架,通过SVR与ANN互补学习特性的有效整合,在统一模型中实现了多种力学性能的可靠同时预测。该框架不仅提升了预测精度,还为数据驱动分析、智能过程优化以及FDM制造工程聚合物过程-结构-性能关系的深入理解提供了实用工具,有助于减少工艺开发中大量的实验试错,推动智能聚合物增材制造的发展。未来工作将集中于利用更大规模的独立实验数据集验证框架的泛化能力,扩展其适用材料与增材制造工艺范围,并整合可解释人工智能与多目标优化方法,以进一步增强模型的解释性、通用性与智能制造决策能力。